ラベル付きデータ

ラベル付きデータとは、1つ以上のラベルが付与されたサンプル群のことです。ラベル付けは通常、ラベルのないデータセットに対して、判断と呼ばれる情報的なタグを各データに付加する作業です。例えば、データラベルには、写真に馬が写っているか牛が写っているか、音声録音でどのような言葉が発せられたか、動画でどのような動作が行われているか、ニュース記事のトピックは何か、ツイートの全体的な感情は何か、X線写真の点が腫瘍かどうかなどを示すことができます。

ラベルは、ラベル付けされていない特定のデータについて人間が判断を下すことで取得できます。^{[ 1 ]}ラベル付きデータは、ラベル付けされていない生データよりも取得コストがかなり高くなります。

ラベル付きデータの質は、教師あり機械学習モデルの動作性能に直接影響を与えます。これらのモデルは、提供されたラベルから学習するからです。^{[ 2 ]}

クラウドソーシングによるラベル付きデータ

2006年、スタンフォード人間中心AI研究所の共同所長であるFei-Fei Liは、トレーニングデータを大幅に拡大することで画像認識のための人工知能モデルとアルゴリズムを改善する研究を開始しました。研究者たちはワールドワイドウェブから数百万枚の画像をダウンロードし、学部生のチームが各画像にオブジェクトのラベルを付け始めました。2007年、Liはデジタル作業のオンラインマーケットプレイスであるAmazon Mechanical Turkでデータラベル付け作業をアウトソーシングしました。49,000人以上の作業員によってラベル付けされた320万枚の画像は、物体の輪郭認識のための最大規模の手動ラベル付けデータベースの1つであるImageNetの基礎となりました。^[³^]

自動データラベリング

ラベル付きデータセットを取得した後、機械学習モデルをデータに適用することで、新しいラベルなしデータをモデルに提示し、そのラベルなしデータに対して可能性のあるラベルを推測または予測することができます。^{[ 4 ]}

課題

データ駆動型バイアス

アルゴリズムによる意思決定は、プログラマ主導のバイアスとデータ主導のバイアスの両方の影響を受けます。バイアスのあるラベル付きデータに依存するトレーニングデータは、機械学習アルゴリズムが正当であっても、予測モデルに偏見や欠落をもたらします。特定の機械学習アルゴリズムをトレーニングするために使用されるラベル付きデータは、結果にバイアスがかからないように、統計的に代表性のあるサンプルである必要があります。 ^{[ 5 ]}例えば、顔認識システムでは、トレーニングに使用できるラベル付きデータが人口を代表していない場合、過小評価されているグループがその後誤分類されることがよくあります。2018年にJoy BuolamwiniとTimnit Gebruによる研究では、顔認識アルゴリズムのトレーニングに使用された2つの顔分析データセット、IJB-AとAdienceは、それぞれ79.6%と86.2%の肌の色が薄い人間で構成されていることが示されました。^{[ 6 ]}

人為的ミスと矛盾

人間のアノテーターは、データのラベル付けにおいてエラーやバイアスが生じやすい。これにより、ラベルに一貫性がなくなり、データセットの品質に影響を与える可能性がある。この一貫性の欠如は、機械学習モデルの汎化能力に影響を与える可能性がある。^{[ 7 ]}

ドメイン専門知識

法律文書分析や医用画像処理などの特定の分野では、専門的なドメイン知識を持つアノテーターが必要です。専門知識がないと、アノテーションやラベル付きデータが不正確になり、実際のシナリオでの機械学習モデルのパフォーマンスに悪影響を与える可能性があります。^{[ 8 ]}

参考文献

↑ 「データラベリングとは？ - データラベリングの説明 - AWS」。Amazon Web Services, Inc. 2024年7月16日取得。
↑ Fredriksson, Teodor; Mattos, David Issa; Bosch, Jan; Olsson, Helena Holmström (2020), "データラベリング：産業上の課題と緩和戦略に関する実証的調査" , Morisio, Maurizio; Torchiano, Marco; Jedlitschka, Andreas (編), Product-Focused Software Process Improvement , vol. 12562, Cham: Springer International Publishing, pp. 202–216 , doi : 10.1007/978-3-030-64148-1_13 , ISBN 978-3-030-64147-42024年7月13日取得
↑メアリー・L・グレイ、シッダールト・スリ（2019）。『ゴーストワーク：シリコンバレーが新たなグローバルな下層階級を生み出すのを止める方法』ホートン・ミフリン・ハーコート、 7ページ。ISBN 978-1-328-56628-7。
↑ Johnson, Leif.「ラベル付きデータとラベルなしデータの違いは何ですか？」、 Stack Overflow、2013年10月4日。2017年5月13日取得。この記事には、CC BY-SA 3.0ライセンスで利用可能なlmjohns3によるテキストが含まれています。
↑ Xianhong Hu; Bhanu Neupane; Lucia Flores Echaiz; Prateek Sibal; Macarena Rivera Lam (2019).知識社会のためのAIと高度なICTの推進：権利、開放性、アクセス、マルチステークホルダーの視点. ユネスコ出版. p. 64. ISBN 978-92-3-100363-9。
↑ Xianhong Hu; Bhanu Neupane; Lucia Flores Echaiz; Prateek Sibal; Macarena Rivera Lam (2019).知識社会のためのAIと高度なICTの推進：権利、開放性、アクセス、マルチステークホルダーの視点. ユネスコ出版. p. 66. ISBN 978-92-3-100363-9。
↑ガイガー、R. スチュアート;コープ、ドミニク。イプ、ジェイミー。ロトシュ、マーシャ。シャー、アーユシュ。ウェン、ジェニー。唐、レベッカ（2021-11-05）。」「入力がゴミなら出力もゴミ」の再考：機械学習アプリケーション論文は、人間がラベル付けしたトレーニングデータについて何を報告しているのか？ . Quantitative Science Studies . 2 (3): 795– 827. arXiv : 2107.02278 . doi : 10.1162/qss_a_00144 . ISSN 2641-3337 .
↑アルズバイディ、ライス。白、金帥。アル・サバウィ、アイマン。サンタマリア、ホセ。アスファルト州アルバリ。アル・ダバーグ、バシャール・サミ・ナイエフ。ファデル、モハメッド A.マヌファリ、モハメド。チャン・ジンラン。アル・ティミー、アリ・H.ドゥアン、イェ。アブドラ、アムジェド。ファルハン、ライス。ルー、イー。グプタ、アシシ (2023-04-14)。「データ不足に対処する深層学習ツールに関する調査: 定義、課題、解決策、ヒント、および応用」。ビッグデータジャーナル。10 (1): 46.土井: 10.1186/s40537-023-00727-2。ISSN 2196-1115。

[1] 「データラベリングとは？ - データラベリングの説明 - AWS」。Amazon Web Services, Inc. 2024年7月16日取得。

[2] Fredriksson, Teodor; Mattos, David Issa; Bosch, Jan; Olsson, Helena Holmström (2020), "データラベリング：産業上の課題と緩和戦略に関する実証的調査" , Morisio, Maurizio; Torchiano, Marco; Jedlitschka, Andreas (編), Product-Focused Software Process Improvement , vol. 12562, Cham: Springer International Publishing, pp. 202–216 , doi : 10.1007/978-3-030-64148-1_13 , ISBN 978-3-030-64147-42024年7月13日取得

[3] メアリー・L・グレイ、シッダールト・スリ（2019）。『ゴーストワーク：シリコンバレーが新たなグローバルな下層階級を生み出すのを止める方法』ホートン・ミフリン・ハーコート、 7ページ。ISBN 978-1-328-56628-7。

[4] Johnson, Leif.「ラベル付きデータとラベルなしデータの違いは何ですか？」、 Stack Overflow、2013年10月4日。2017年5月13日取得。この記事には、CC BY-SA 3.0ライセンスで利用可能なlmjohns3によるテキストが含まれています。

[5] Xianhong Hu; Bhanu Neupane; Lucia Flores Echaiz; Prateek Sibal; Macarena Rivera Lam (2019).知識社会のためのAIと高度なICTの推進：権利、開放性、アクセス、マルチステークホルダーの視点. ユネスコ出版. p. 64. ISBN 978-92-3-100363-9。

[6] Xianhong Hu; Bhanu Neupane; Lucia Flores Echaiz; Prateek Sibal; Macarena Rivera Lam (2019).知識社会のためのAIと高度なICTの推進：権利、開放性、アクセス、マルチステークホルダーの視点. ユネスコ出版. p. 66. ISBN 978-92-3-100363-9。

[7] ガイガー、R. スチュアート;コープ、ドミニク。イプ、ジェイミー。ロトシュ、マーシャ。シャー、アーユシュ。ウェン、ジェニー。唐、レベッカ（2021-11-05）。」「入力がゴミなら出力もゴミ」の再考：機械学習アプリケーション論文は、人間がラベル付けしたトレーニングデータについて何を報告しているのか？ . Quantitative Science Studies . 2 (3): 795– 827. arXiv : 2107.02278 . doi : 10.1162/qss_a_00144 . ISSN 2641-3337 .

[8] アルズバイディ、ライス。白、金帥。アル・サバウィ、アイマン。サンタマリア、ホセ。アスファルト州アルバリ。アル・ダバーグ、バシャール・サミ・ナイエフ。ファデル、モハメッド A.マヌファリ、モハメド。チャン・ジンラン。アル・ティミー、アリ・H.ドゥアン、イェ。アブドラ、アムジェド。ファルハン、ライス。ルー、イー。グプタ、アシシ (2023-04-14)。「データ不足に対処する深層学習ツールに関する調査: 定義、課題、解決策、ヒント、および応用」。ビッグデータジャーナル。10 (1): 46.土井: 10.1186/s40537-023-00727-2。ISSN 2196-1115。

[ 1 ]

[ 2 ]

[

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

ラベル付きデータ

クラウドソーシングによるラベル付きデータ

自動データラベリング

課題

データ駆動型バイアス

人為的ミスと矛盾

ドメイン専門知識

関連項目

参考文献

関連するトピック

サンプル

教師あり機械学習

スタンフォード

Fei-Fei Liは、